Aprendizado Auto-Supervisionado em Representações Latentes de Sinais de EEG para Classificação Automatizada de Estágios do Sono

• Processo: 23/06715-3
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2023
• Data de Término da vigência: 31 de julho de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Raphael Yokoingawa de Camargo
• Beneficiário: Gustavo Henrique Santos Rodrigues
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Interface Cérebro-Máquina | Redes Neurais Profundas | Aprendizado de Máquina

Resumo

A classificação automatizada dos estágios do sono é uma tarefa complexa, decorrente da alta-dimensionalidade e baixa relação sinal-ruído dos sinais de eletroencefalogramas (EEG), além da alta variabilidade entre indivíduos. Embora as redes neurais profundas, incluindo arquiteturas convolucionais e Transformers, tenham mostrado resultados promissores para a classificação automatizada, o treinamento desses modelos ainda enfrenta o desafio de exigir um grande número de exemplos rotulados.Neste trabalho, usaremos o Data2Vec 2.0, uma arquitetura baseada em Transformers que utiliza aprendizado auto-supervisionado para codificar sinais de fala, texto e vídeos em representações latentes de baixa dimensionalidade. Iremos adaptar o modelo para o contexto de sinais de EEG e faremos o treinamento dos pesos do codificador e do Transformer utilizando dados de sono. Para a classificação dos estágios do sono, usaremos a saída do Transformer, que tem a capacidade de capturar informações contextuais, o que é essencial para a classificação de sequências de estágios de sono.